文献

J-GLOBAL ID：202002242756690167   整理番号：20A1955585

深層ニューラルネットワークからのコンポーネントオブジェクト検出の空間融合を用いた地表対空ミサイルサイトの広域探索と検出【JST・京大機械翻訳】

Broad Area Search and Detection of Surface-to-Air Missile Sites Using Spatial Fusion of Component Object Detections From Deep Neural Networks

著者 (5件)： Cannaday II Alan B. (Center for Geospatial Intelligence, University of Missouri, Columbia, MO, USA) ,  Davis Curt H. (Center for Geospatial Intelligence, University of Missouri, Columbia, MO, USA) ,  Scott Grant J. (Center for Geospatial Intelligence, University of Missouri, Columbia, MO, USA) ,  Ruprecht Blake (Mizzou Information and Data Fusion Laboratory, University of Missouri, Columbia, MO, USA) ,  Anderson Derek T. (Mizzou Information and Data Fusion Laboratory, University of Missouri, Columbia, MO, USA)
資料名： IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing  (IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing)
巻： 13  ページ： 4728-4737  発行年： 2020年 
JST資料番号： W2259A  ISSN： 1939-1404  CODEN： IJSTHZ  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ここでは,より大きな複雑な特徴の検索,検出,および検索(ランク付け)を改善するために,より大きい,より複雑な,そして,包含された特徴の一部である複数の構成物または成分オブジェクトの深層ニューラルネットワーク(DNN)検出が空間的に融合できる方法を示す。最初に,空間クラスタリングアルゴリズムから計算したスコアを基準空間に正規化し,画像分解能とDNN入力チップサイズに依存しないようにした。次に,様々な成分オブジェクトからのマルチスケールDNN検出を融合して,より大きな複雑な特徴のDNN検出の検出と検索を改善した。著者らは,SE中国における 90000km2研究区域に関して非常に低い発生比率(単に16のサイト)を有する表面対空気ミサイル(SAM)サイトの広い区域調査と検出のために,本方式の有用性を実証した。結果は,マルチスケールコンポーネント-オブジェクトDNN検出の空間融合が,100%のリコールをまだ維持しながら,>85%のSAMサイトの検出誤り率を減少できることを示した。ここで示した新しい空間融合手法は,大規模リモートセンシング画像データセットにおける広範な他の挑戦的な物体探索と検出問題に容易に拡張できる。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ミサイル ,  等級づけ ,  *正規化 ,  地表面
準シソーラス用語： マルチスケール ,  *物体検出 ,  リモートセンシング画像 ,  クラスタリングアルゴリズム ,  *ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (8件)： 深層ニューラルネットワーク ,  コンポーネント ,  オブジェクト検出 ,  融合 ,  地表 ,  ミサイル ,  広域 ,  探索